CN115713321A - 电力系统的运维告警方法、装置、计算机设备和存储介质 - Google Patents

电力系统的运维告警方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115713321A
CN115713321A CN202211459799.1A CN202211459799A CN115713321A CN 115713321 A CN115713321 A CN 115713321A CN 202211459799 A CN202211459799 A CN 202211459799A CN 115713321 A CN115713321 A CN 115713321A
Authority
CN
China
Prior art keywords
alarm information
preference
abnormal alarm
maintenance personnel
preference degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211459799.1A
Other languages
English (en)
Inventor
吴昊
肖焯
张丽娟
赖宇阳
黄宝鑫
张佳发
母天石
李慧娟
谭洪华
许露珉
邓建锋
王依云
连晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211459799.1A priority Critical patent/CN115713321A/zh
Publication of CN115713321A publication Critical patent/CN115713321A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种电力系统的运维告警方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括：获取新型电力系统中各个设备产生的异常告警信息，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度，根据偏好程度确定每条异常告警信息对应的目标运维人员列表，将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。该方法基于运维人员对告警信息的偏好，向不同的运维人员个性化分发异常告警信息，分发给每个运维人员的异常告警信息对应的是各运维人员较为精通的运维工作，从而提高新型电力系统的运维人员的工作效率。

Description

电力系统的运维告警方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种电力系统的运维告警方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
新型电力系统的安全运维是保障新型电力系统的稳态运行的重要工作，快速定位并处理各种安全事件可以减少新型电力系统在异常情况下的损失，保证电力生产的安全高效。安全告警是运维人员保障电力系统正常运行的关键，在新型电力系统的正常运行过程中若发生电力系统故障或遭到恶意攻击时，需要运维人员及时定位并排除故障，以确保新型电力系统安全平稳运行。异常告警在新型电力系统中是辅助运维人员有效进行运维工作的关键参考信息。
为了尽可能降低突发异常情况造成的损失，运维人员需要快速定位异常位置、及时排除异常情况，因此，提供给运维人员的异常告警列表应当有助于快速定位分析异常状态。目前，新型电力系统中的异常告警信息的一些处理技术，可根据告警类型分类、依据告警的重要程度排序，运维人员可以看到经分类、排序处理后的异常告警信息。这些经过分类、排序处理过的异常告警信息可以在一定程度上提高运维人员的工作效率，保障电力系统稳态运行。
新型电力系统的异常告警信息往往是复杂且海量的。当前的新型电力系统高度信息化和智能化，其中包含了大量的子系统、设备以及传感器等安全主体，并且类型异构、不同部分之间有业务耦合。在新型电力系统规模巨大的情况下，系统故障和安全事件频发，一个故障或一次入侵会导致大量设备的不同的功能产生异常告警信息。异常告警信息过多会对运维人员造成严重干扰，影响运维工作的进行。因此，在异常告警信息复杂且数量庞大的情况下，运维人员需要在大量异常告警信息中寻找自己业务能力范围内的异常告警信息，同时运维人员业务能力范围外的异常告警信息容易被忽略。因此，针对新型电力系统产生的海量的异常告警信息，现有的处理技术存在运维人员无法高效地处理大量的异常告警信息的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高运维人员处理效率的电力系统的运维告警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电力系统的运维告警方法。所述方法包括：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
在其中一个实施例中，所述方法还包括：
在所述偏好模型未训练时，将所述异常告警信息向全部运维人员推送；
获取运维人员反馈的对所述异常告警信息的偏好程度；
根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集；
基于所述训练样本集对所述偏好模型进行训练。
在其中一个实施例中，所述基于所述训练样本集对所述偏好模型进行训练，包括：
对所述训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；
对所述用户模型和告警模型进行相乘，得到预测的偏好程度；
以所述训练样本集中训练样本的偏好程度和预测的所述偏好程度的平方误差为最小化损失函数，迭代训练所述用户模型和所述告警模型；
根据训练好的所述用户模型和所述告警模型，得到偏好模型。
在其中一个实施例中，根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；
根据调整所述偏好程度值的异常告警信息构建模型的训练样本集。
在其中一个实施例中，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高所述异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；
若运维人员反馈的为对无用异常告警信息的偏好程度，则对所述异常告警信息的偏好值降低当前偏好值的一半。
在其中一个实施例中，所述损失函数为所述训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
在其中一个实施例中，所述根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表包括：
根据所述运维人员对每条所述异常告警信息的所述偏好程度，对每条异常告警信息的所述运维人员进行排序；
根据排序结果取所述偏好程度大于预设值的运维人员，得到第一列表；
若第一列表中所述运维人员数量占比大于预设占比，则从第一列表中按排序取所述预设占比的人员，得到每条所述异常告警信息对应的目标运维人员列表。
第二方面，本申请还提供了一种电力系统的运维告警装置。所述装置包括：
异常告警信息获取模块，用于获取新型电力系统中各个设备产生的异常告警信息；
偏好程度计算模块，用于利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
运维人员列表确定模块，用于根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
异常告警信息分发模块，用于将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
上述电力系统的运维告警方法、装置、计算机设备、存储介质和计算机程序产品，获取新型电力系统中各个设备产生的异常告警信息，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度，根据偏好程度确定每条异常告警信息对应的目标运维人员列表，将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。该方法基于运维人员对告警信息的偏好，向不同的运维人员个性化分发异常告警信息，分发给每个运维人员的异常告警信息对应的是其较为精通的运维工作，从而提高新型电力系统的运维人员的工作效率。
附图说明
图1为一个实施例中电力系统的运维告警方法的应用环境图；
图2为一个实施例中电力系统的运维告警方法的流程示意图；
图3为一个实施例中矩阵分解的流程示意图；
图4为另一个实施例中电力系统的运维告警方法的流程示意图；
图5为一个实施例中一条告警信息计算产生目标运维人员列表的流程示意图；
图6为一个实施例中电力系统的运维告警装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的电力系统的运维告警方法，可以应用于如图1所示的应用环境中。其中，新型电力系统设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。新型电力系统设备102通过网络发送各个设备产生的异常告警信息至服务器104，服务器104获取新型电力系统中各个设备产生的异常告警信息，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度；根据偏好程度确定每条异常告警信息对应的目标运维人员列表，将异常告警信息分发至对应的目标运维人员列表中的各运维人员。其中，新型电力系统设备102可以新型电力系统中的各种设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力系统的运维告警方法的流程示意图，该方法应用于图1所示的服务器，包括以下步骤：
步骤202，获取新型电力系统中各个设备产生的异常告警信息。
在新型电力系统场景下，由于接入设备众多，且参与主体类型异构，为了保障系统安全稳定运行，在新型电力系统中应用了很多安全服务，而多安全服务会产生大量异常告警信息。
具体地，新型电力系统中的各设备产生异常告警信息，服务器接收新型电力系统中的各设备产生异常告警信息。
步骤204，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度。
由于新型电力系统的内部具有不同种类的设备，同一种设备也有不同生产厂家的产品，导致异常告警信息复杂且数量庞大，在这种情况下，尽管对告警信息进行了分类、排序等处理，但由于单一运维人员能力有限，不能精通所有设备的运维工作，且不同的运维人员可能擅长不同的运维工作，例如运维人员甲擅长操作厂家A的设备、运维人员乙擅长处理类型a的告警信息等等，因此运维人员需要时间寻找适合自己处理的异常告警信息，从而不能快速处理异常告警，造成电力系统经济损失。
其中，偏好模型可以反映任意一个运维人员对任意一个异常告警信息的偏好程度，偏好模型是一个概率模型，概率越高就说明这个运维人员越有可能采纳这一异常告警信息。
具体地，接收一条异常告警信息后，利用预先训练好的偏好模型，计算对每一个运维人员该条异常告警信息的偏好程度。同样的，对于每一条接收的异常告警信息，利用预先训练好的偏好模型，计算每一个运维人员对每一条异常告警信息的偏好程度。
步骤206，根据偏好程度确定每条异常告警信息对应的目标运维人员列表。
其中，异常告警信息对应的目标运维人员列表是由该条异常告警信息需要分发给的运维人员构成的列表。根据运维人员对一条异常告警信息的偏好程度对运维人员进行排序，每一条异常告警信息对应的运维人员的排序列表。基于每一条异常告警信息对应的运维人员的排序列表，对运维人员的排序列表进行截取操作，得到每一条异常告警信息对应的目标运维人员列表。其中截取长度需要满足两个条件：一是长度必须不小于指定的最小分发量，可以采用运维人员总数的60％，即多半运维人员可以接收到每一条告警信息，接收到每一条告警信息的运维人员的比例也可以根据具体的情况进行相应的调整；二是偏好程度大于一定概率必须被分发，即运维人员采纳该条异常告警信息的概率越大，则该条异常告警信息越应当被推送给该运维人员。其中，概率可以采用50％或者60％，该值可以根据实际情况进行相应的调整。
具体地，根据计算得到的每一个运维人员对每一条异常告警信息的偏好程度，得到每一条异常告警信息对应的运维人员的排序列表，对运维人员的排序列表进行截取操作，得到每一条异常告警信息对应的目标运维人员列表，从而为个性化的分发异常告警信息给目标运维人员列表中的各运维人员提供条件。
步骤208，将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。
具体地，根据每条异常告警信息对应的目标运维人员列表，将每条异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。
上述电力系统的运维告警方法中，获取新型电力系统中各个设备产生的异常告警信息，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度，根据偏好程度确定每条异常告警信息对应的目标运维人员列表，将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。该方法基于运维人员对告警信息的偏好，向不同的运维人员个性化分发异常告警信息，分发给每个运维人员的异常告警信息对应的是其较为精通的运维工作，因此，可以提高新型电力系统的运维人员的工作效率。
在一个实施例中，电力系统的运维告警方法还包括：在偏好模型未训练时，将异常告警信息向全部运维人员推送；获取运维人员反馈的对异常告警信息的偏好程度；根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集；基于训练样本集对偏好模型进行训练。
偏好模型未训练时，即初始状态下，训练样本集为空，此时需要假设训练样本集所有元素为0.5，可以认为所有采纳概率为50％。即在初始状态下，任意一运维人员对任意一这种异常告警信息的采纳概率都为50％。在初始状态下，任一运维人员对任意一这种异常告警信息的采纳概率都为50％，按照“概率不小于50％进行推送”这一原则，新型电力设备产生的每一条异常告警信息会发送至所有的运维人员。因此，初始状态下的协同过滤不能对异常告警信息进行个性化的分发，其结果与原有的分类和排序结果一样，避免了因为没有历史数据或者历史数据少而导致的冷启动问题。此外，为了保证用于协同过滤的用户偏好模型的准确性，需要运维人员在运维后对告警采纳情况进行反馈，用于更准确地计算运维人员对后续异常告警信息的偏好程度。
具体地，每次运维人员完成运维工作后，收集运维人员对异常告警信息的偏好程度，异常告警信息包括部分有用的告警信息和部分无用的告警信息，根据运维人员对异常告警信息的偏好程度的反馈信息，完善偏好模型的训练样本集的内容，并根据训练样本集对偏好模型进行训练。
本实施例中，通过运维人员对异常告警信息的偏好程度的反馈，得到偏好模型的训练样本集，并基于训练样本集对偏好模型进行训练，以得到偏好模型。
在一个实施例中，基于训练样本集对偏好模型进行训练，包括：对训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；对用户模型和告警模型进行相乘，得到预测的偏好程度；以训练样本集中训练样本的偏好程度和预测的偏好程度的平方误差最小为损失函数，迭代训练用户模型和告警模型；根据训练好的用户模型和告警模型，得到偏好模型。
基于矩阵分解的协同过滤算法使用矩阵模型反映用户偏好程度，在本申请中用户为运维人员。如图3所示，基于矩阵分解的协同过滤算法主要包含三部分数据：训练样本集、用户模型、告警模型。其中用户模型和告警模型是由训练样本集通过矩阵分解得到的两个较小规模的矩阵，这两个模型再相乘会得到规模较大的偏好模型，偏好模型应当与训练样本集中相关取值近似相等。其中训练样本集和偏好模型是相同规模的矩阵，但训练样本集只含有矩阵中极少部分的值，而计算得到的偏好模型是完整矩阵，即偏好模型是依据训练样本集计算得到的预测模型。在实际计算中不需要使用矩阵相乘得到完整的偏好模型，只需要通过向量内积的方法计算偏好模型中指定的任意一个元素，因此基于矩阵分解的协同过滤仅需要存储较小规模的训练样本集、用户模型、告警模型，就能在常数时间内计算出偏好模型中指定元素的值。
具体地，若新型电力系统中有M个运维人员，根据异常告警信息的不同属性(如告警设备所在位置、设备生产厂家、设备类型、告警类型等)将异常告警信息分为N种，则应当存在一个M行N列的矩阵PM×N表示M个运维人员对N种不同的异常告警信息的采纳概率，矩阵的第i行第j列的元素表示第i个运维人员对第j个告警信息的偏好程度。
对训练样本集进行矩阵分解可以得到用户模型和告警模型。用户模型XM×k是M行k列的矩阵，同时可以看作M个k维特征向量，即M个用户可以分别对应一个k维特征；告警模型YN×k是N行k列的矩阵，同时可以看作N个k维特征向量，即N个告警可以分别对应一个k维特征。其中k的取值需要通过特征工程具体分析，一般不会超过10，远远小于M或N。通过矩阵分解所得到的户模型XM×k和告警模型YN×k的矩阵乘积应当尽可能逼近训练样本集PM×N，即满足如下公式：
PM×N≈XM×k·YT N×k
得到的用户模型XM×k和告警模型YN×k后若要计算指定第i(i∈[1,M])个用户对指定第j(j∈[1,N])个告警信息的偏好程度，应取用户模型第i行特征向量xi和告警模型第j行特征向量yj，两向量的内积则是所求偏好模型的第i行第j列的元素，即该偏好程度预测值。
采用交替最小二乘法对训练样本集进行矩阵分解，为了使用户矩阵和告警矩阵相乘逼近训练样本集，需要定义最小化损失函数Loss
Figure BDA0003954945360000101
损失函数中包含两项之和，分别为平方误差和和正则化项。其中，K为训练样本集中元素对应的行列(i,j)的取值，λ是正则系数，用于避免过拟合，λ的取值需要依据数据特征和训练效果具体调整。
由损失函数Loss可以得到交替最小二乘法的关键计算公式。
假设已知矩阵Y的取值，固定Y，将损失函数对X求偏导，令其等于零，可以得到矩阵X：
Figure BDA0003954945360000102
假设已知矩阵X的取值，固定X，将损失函数对Y求偏导，令其等于零，可以得到矩阵Y：
Figure BDA0003954945360000103
依据以上两个公式设计矩阵分解学习算法步骤：
1、随机初始化矩阵Y。
2、令损失函数对xi求偏导为零，由矩阵Y得到矩阵X。
3、令损失函数对yj求偏导为零，由矩阵X得到矩阵Y。
4、重复步骤2和步骤3交替更新矩阵X和矩阵Y，直到损失函数收敛。
在本实施例中，通过交替最小二乘法对矩阵PM×N进行矩阵分解得到用户模型和告警模型，即运维人员模型和告警信息模型。并根据用户模型和告警模型得到偏好模型。
在一个实施例中，根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集，包括：若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；根据调整偏好程度值的异常告警信息构建模型的训练样本集。
基于矩阵分解的协同过滤算法仅提供了预测方法，没有对训练样本集自适应更新，因此还需要为基于矩阵分解的协同过滤算法设计训练样本集迭代方案。根据训练样本集的迭代方案动态更新训练样本集中的数据。
初始状态下，训练样本集为空，此时训练样本集并不能完全反应真实的运维人员对异常告警信息的偏好情况，因此训练样本集需要持续迭代，以实现更有效的分发异常告警信息。具体地，异常告警信息可分为有用的异常告警信息和无用的异常告警信息，即有用告警和无用告警。对于一个有用的异常告警信息，需要提高它的概率，即提高偏好程度；同理，对于一个无用的异常告警信息，需要降低它的概率，即降低偏好程度。
在本实施例中，通过在初始状态下，对训练样本集进行持续的迭代，来提高模型的纠错能，以得到运维人员对异常告警信息的真是偏好情况，从而得到更为准确的偏好模型。
在一个实施例中，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：若运维人员反馈的为对有用异常告警信息的偏好程度，则提高异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；若运维人员反馈的为对无用异常告警信息的偏好程度，则对异常告警信息的偏好值降低当前偏好值的一半。
具体地，训练样本集的迭代公式为
Figure BDA0003954945360000111
上述迭代方案采用的是半数增加，对于一个有用的异常告警信息，需要提高其概率，可以当前概率提高到(1+Pi，j)/2。同理，对于一个无用告警，需要降低其概率，可以降低到当前概率值一半，也就是Pi，j/2。
在本实施例中，通过迭代方案将有用的异常告警信息的概率提高，并将无用的异常告警信息的概率降低，且该迭代公式一方面可以保证概率不会低于0％或高于100％；另一方面，对于低概率的向上增加和高概率的向下降低具有较大的步长，可以体现出较强的模型纠错能力。
在一个实施例中，损失函数为训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
为了使用户矩阵和告警矩阵相乘逼近训练样本集，需要定义最小化损失函数Loss，其表达式如下
Figure BDA0003954945360000121
损失函数中的第一项为平方误差，第二项为正则化项。其中，K为训练样本集中元素对应的行列(i,j)的取值，λ是正则系数，用于避免过拟合，λ的取值需要依据数据特征和训练效果具体调整。
在本实施例中，通过定义最小化损失函数使得用户矩阵和告警矩阵相乘逼近训练样本集。
在一个实施例中，根据偏好程度确定每条异常告警信息对应的目标运维人员列表包括：根据运维人员对每条异常告警信息的偏好程度，对每条异常告警信息的运维人员进行排序；根据排序结果取偏好程度大于预设值的运维人员，得到第一列表；若第一列表中运维人员数量占比大于预设占比，则从第一列表中按排序取预设占比的人员，得到每条异常告警信息对应的目标运维人员列表。
其中，预设值为预先设定的一个数值，预设值可以为50％，预设值可以根据实际情况进行相应调整。预设占比是一个预设的比例，可以为60％，预设占比可以根据实际情况进行相应的调整。
具体地，利用偏好模型计算得到各运维人员对每一条异常告警信息的偏好程度，按偏好程度对每一条异常告警信息对应的运维人员进行排序，得到排序后的运维人员列表。根据预设值对运维人员列表进行截取，偏好程度大于预设值的运维人员构成第一列表。如果第一列表中的运维人员数与总运维人员总数的比值大于预设占比，根据预设占比对第一列表中的运维人员按顺序进行截取，得到每一条异常告警信息的对应的目标运维人员列表。
在本实施例中，根据预设值选取运维人员，可以保证运维人员对异常告警信息的偏好程度大于一定概率，该条异常告警信息一定会分发给该运维人员，保证了异常告警信息分发的有效性。根据预设占比对运维人员进行截取，可以保证异常告警信息分发的广泛性。基于有效性和广泛性对异常告警信息进行分发，可以提高运维人员对异常告警信息的处理效率。
在一个实施例中，如图4所示，提供一种电力系统的运维告警方法，包括以下步骤：
步骤402，获取新型电力系统中各个设备产生的异常告警信息。
步骤404，利用矩阵分解的协同过滤算法和训练样本集，得到预先训练好的偏好模型。
步骤406，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度。
步骤408，根据偏好程度确定每条异常告警信息对应的目标运维人员列表。
步骤410，根据每条异常告警信息对应的目标运维人员列表，将每一条异常告警信息分发给对应的目标运维人员列表中的各运维人员的操作终端。
步骤412，对每个运维人员接收的多条异常告警信息进行排序，得到异常告警信息清单。
具体地，由于新型电力系统会产生大量的异常告警信息，每个运维人员会收到较多的异常告警信息，依据种类和重要程度对这些异常告警信息进行分类和排序，得到异常告警信息清单，由此每个运维人员都会得到自己的异常告警信息清单。
步骤414，每个运维人员按照异常告警信息清单，进行运维工作。
具体地，运维人员通过异常告警信息清单可以清楚的了解到各项运维工作的优先级顺序，进而按照优先级排序对各告警设备进行相应的运维工作。
以分发一条异常告警信息为例，如图5所示，利用协同过滤算法计算每一个运维人员对该条异常告警信息的偏好程度，得到运维人员-偏好程度列表。依据偏好程度对运维人员-偏好程度列表进行降序排列，即偏好程度越高在列表中的位置越靠前。按照两个截取条件，对排序后的运维人员-偏好程度列表进行截取，得到一条异常告警信息对应的目标运维人员列表。
在本实施例中，利用预先训练好的偏好模型，计算各运维人员对各设备产生的异常告警信息的偏好程度，依据该偏好程度得到每条异常告警信息的运维人员列表，根据运维人员列表得到每一条异常告警信息对应的目标运维人员列表，并根据目标运维人员列表进行异常告警信息的分发，对运维人员收到的异常告警信息进行排序，运维人员按照排好序的异常告警信息清单进行运维工作。基于偏好模型对异常告警信息进行分发，使得每个运维人员接收到的是其可以处理，且较为精通的运维工作，从而有助于运维人员提高运维工作的效率。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电力系统的运维告警方法的电力系统的运维告警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电力系统的运维告警装置实施例中的具体限定可以参见上文中对于电力系统的运维告警方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种电力系统的运维告警装置，包括：异常告警信息获取模块602、偏好程度计算模块604、运维人员列表确定模块606和异常告警信息分发模块608，其中：
异常告警信息获取模块602，用于获取新型电力系统中各个设备产生的异常告警信息。
偏好程度计算模块604，用于利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度。
运维人员列表确定模块606，用于根据偏好程度确定每条异常告警信息对应的目标运维人员列表。
异常告警信息分发模块608，用于将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。
在另一个实施例中，偏好程度计算模块，用于在偏好模型未训练时，将异常告警信息向全部运维人员推送；获取运维人员反馈的对异常告警信息的偏好程度；根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集；基于训练样本集对偏好模型进行训练。
在另一个实施例中，偏好程度计算模块，还用于基于训练样本集对偏好模型进行训练，包括：对训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；对用户模型和告警模型进行相乘，得到预测的偏好程度；以训练样本集中训练样本的偏好程度和预测的偏好程度的平方误差为最小化损失函数，迭代训练用户模型和告警模型；根据训练好的用户模型和告警模型，得到偏好模型。
在另一个实施例中，偏好程度计算模块，还用于根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集，包括：若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；根据调整偏好程度值的异常告警信息构建模型的训练样本集。
在另一个实施例中，偏好程度计算模块，还用于若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：若运维人员反馈的为对有用异常告警信息的偏好程度，则提高异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；若运维人员反馈的为对无用异常告警信息的偏好程度，则对异常告警信息的偏好值降低当前偏好值的一半。
在另一个实施例中，偏好程度计算模块，还用于损失函数为训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
在另一个实施例中，偏好程度计算模块，还用于根据偏好程度确定每条异常告警信息对应的目标运维人员列表包括：根据运维人员对每条异常告警信息的偏好程度，对每条异常告警信息每条异常告警信息的运维人员进行排序；根据排序结果取偏好程度大于预设值的运维人员，得到第一列表；若第一列表中运维人员数量占比大于预设占比，则从第一列表中按排序取预设占比的人员，得到每条异常告警信息对应的目标运维人员列表。
上述电力系统的运维告警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储训练样本集、用户模型、告警模型和偏好模型的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力系统的运维告警方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度；
根据偏好程度确定每条异常告警信息对应的目标运维人员列表；
将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。
在其中一个实施例中，运维告警方法还包括：
在偏好模型未训练时，将异常告警信息向全部运维人员推送；
获取运维人员反馈的对异常告警信息的偏好程度；
根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集；
基于训练样本集对偏好模型进行训练。
在其中一个实施例中，基于训练样本集对偏好模型进行训练，包括：
对训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；
对用户模型和告警模型进行相乘，得到预测的偏好程度；
以训练样本集中训练样本的偏好程度和预测的偏好程度的平方误差为最小化损失函数，迭代训练用户模型和告警模型；
根据训练好的用户模型和告警模型，得到偏好模型。
在其中一个实施例中，根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；
根据调整偏好程度值的异常告警信息构建模型的训练样本集。
在其中一个实施例中，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；
若运维人员反馈的为对无用异常告警信息的偏好程度，则对异常告警信息的偏好值降低当前偏好值的一半。
在其中一个实施例中，损失函数为训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
在其中一个实施例中，根据偏好程度确定每条异常告警信息对应的目标运维人员列表包括：
根据运维人员对每条异常告警信息的偏好程度，对每条异常告警信息每条异常告警信息的运维人员进行排序；
根据排序结果取偏好程度大于预设值的运维人员，得到第一列表；
若第一列表中运维人员数量占比大于预设占比，则从第一列表中按排序取预设占比的人员，得到每条异常告警信息对应的目标运维人员列表。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度；
根据偏好程度确定每条异常告警信息对应的目标运维人员列表；
将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。
在其中一个实施例中，运维告警方法还包括：
在偏好模型未训练时，将异常告警信息向全部运维人员推送；
获取运维人员反馈的对异常告警信息的偏好程度；
根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集；
基于训练样本集对偏好模型进行训练。
在其中一个实施例中，基于训练样本集对偏好模型进行训练，包括：
对训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；
对用户模型和告警模型进行相乘，得到预测的偏好程度；
以训练样本集中训练样本的偏好程度和预测的偏好程度的平方误差为最小化损失函数，迭代训练用户模型和告警模型；
根据训练好的用户模型和告警模型，得到偏好模型。
在其中一个实施例中，根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；
根据调整偏好程度值的异常告警信息构建模型的训练样本集。
在其中一个实施例中，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；
若运维人员反馈的为对无用异常告警信息的偏好程度，则对异常告警信息的偏好值降低当前偏好值的一半。
在其中一个实施例中，损失函数为训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
在其中一个实施例中，根据偏好程度确定每条异常告警信息对应的目标运维人员列表包括：
根据运维人员对每条异常告警信息的偏好程度，对每条异常告警信息每条异常告警信息的运维人员进行排序；
根据排序结果取偏好程度大于预设值的运维人员，得到第一列表；
若第一列表中运维人员数量占比大于预设占比，则从第一列表中按排序取预设占比的人员，得到每条异常告警信息对应的目标运维人员列表。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度；
根据偏好程度确定每条异常告警信息对应的目标运维人员列表；
将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。
在其中一个实施例中，运维告警方法还包括：
在偏好模型未训练时，将异常告警信息向全部运维人员推送；
获取运维人员反馈的对异常告警信息的偏好程度；
根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集；
基于训练样本集对偏好模型进行训练。
在其中一个实施例中，基于训练样本集对偏好模型进行训练，包括：
对训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；
对用户模型和告警模型进行相乘，得到预测的偏好程度；
以训练样本集中训练样本的偏好程度和预测的偏好程度的平方误差为最小化损失函数，迭代训练用户模型和告警模型；
根据训练好的用户模型和告警模型，得到偏好模型。
在其中一个实施例中，根据运维人员对异常告警信息的偏好程度，构建偏好模型的训练样本集，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；
根据调整偏好程度值的异常告警信息构建模型的训练样本集。
在其中一个实施例中，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；
若运维人员反馈的为对无用异常告警信息的偏好程度，则对异常告警信息的偏好值降低当前偏好值的一半。
在其中一个实施例中，损失函数为训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
在其中一个实施例中，根据偏好程度确定每条异常告警信息对应的目标运维人员列表包括：
根据运维人员对每条异常告警信息的偏好程度，对每条异常告警信息每条异常告警信息的运维人员进行排序；
根据排序结果取偏好程度大于预设值的运维人员，得到第一列表；
若第一列表中运维人员数量占比大于预设占比，则从第一列表中按排序取预设占比的人员，得到每条异常告警信息对应的目标运维人员列表。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力系统的运维告警方法，其特征在于，所述方法包括：
获取新型电力系统中各个设备产生的异常告警信息；
利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述偏好模型未训练时，将所述异常告警信息向全部运维人员推送；
获取运维人员反馈的对所述异常告警信息的偏好程度；
根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集；
基于所述训练样本集对所述偏好模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述基于所述训练样本集对所述偏好模型进行训练，包括：
对所述训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；
对所述用户模型和告警模型进行相乘，得到预测的偏好程度；
以所述训练样本集中训练样本的偏好程度和预测的所述偏好程度的平方误差为最小化损失函数，迭代训练所述用户模型和所述告警模型；
根据训练好的所述用户模型和所述告警模型，得到偏好模型。
4.根据权利要求2所述的方法，其特征在于，根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；
根据调整所述偏好程度值的异常告警信息构建模型的训练样本集。
5.根据权利要求4所述的方法，其特征在于，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：
若运维人员反馈的为对有用异常告警信息的偏好程度，则提高所述异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；
若运维人员反馈的为对无用异常告警信息的偏好程度，则对所述异常告警信息的偏好值降低当前偏好值的一半。
6.根据权利要求3所述的方法，其特征在于，所述损失函数为所述训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
7.根据权利要求1所述的方法，其特征在于，所述根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表包括：
根据所述运维人员对每条所述异常告警信息的所述偏好程度，对每条异常告警信息的所述运维人员进行排序；
根据排序结果取所述偏好程度大于预设值的运维人员，得到第一列表；
若第一列表中所述运维人员数量占比大于预设占比，则从第一列表中按排序取所述预设占比的人员，得到每条所述异常告警信息对应的目标运维人员列表。
8.一种电力系统的运维告警装置，其特征在于，所述装置包括：
异常告警信息获取模块，用于获取新型电力系统中各个设备产生的异常告警信息；
偏好程度计算模块，用于利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
运维人员列表确定模块，用于根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
异常告警信息分发模块，用于将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202211459799.1A 2022-11-17 2022-11-17 电力系统的运维告警方法、装置、计算机设备和存储介质 Pending CN115713321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211459799.1A CN115713321A (zh) 2022-11-17 2022-11-17 电力系统的运维告警方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211459799.1A CN115713321A (zh) 2022-11-17 2022-11-17 电力系统的运维告警方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115713321A true CN115713321A (zh) 2023-02-24

Family

ID=85234463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211459799.1A Pending CN115713321A (zh) 2022-11-17 2022-11-17 电力系统的运维告警方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115713321A (zh)

Similar Documents

Publication Publication Date Title
US8266149B2 (en) Clustering with similarity-adjusted entropy
Ma et al. Predicting QoS values via multi-dimensional QoS data for web service recommendations
Park et al. Variational Bayesian inference for forecasting hierarchical time series
CN113901679B (zh) 电力系统的可靠性分析方法、装置和计算机设备
CN115421950A (zh) 一种基于机器学习的自动化系统运维管理方法及系统
Ji et al. An apache spark implementation of block power method for computing dominant eigenvalues and eigenvectors of large-scale matrices
CN116933035A (zh) 数据异常检测方法、装置、计算机设备和存储介质
CN115713321A (zh) 电力系统的运维告警方法、装置、计算机设备和存储介质
CN116700955A (zh) 作业处理方法、装置、计算机设备及可读存储介质
Zambuk et al. Evaluation of iterative pagerank algorithm for web page ranking
CN115687602A (zh) 主题推荐方法、系统和电子设备
CN115905654A (zh) 业务数据的处理方法、装置、设备、存储介质和程序产品
Xin et al. A compound decision approach to covariance matrix estimation
CN116611506A (zh) 用户分析模型训练方法、用户标签确定方法和装置
CN116467939A (zh) 电能表寿命预测方法、装置、计算机设备和存储介质
CN118152243A (zh) 数据校验方法、装置、计算机设备、存储介质和程序产品
Arrigo et al. Preserving sparsity in dynamic network computations
CN116795705A (zh) 异常节点的确定方法、装置和计算机设备
CN117493828A (zh) 异常数据识别方法、装置、计算机设备和存储介质
Gelvez-García et al. Optimization of Recommender Systems Using Particle Swarms
CN117112724A (zh) 搜索推送方法、装置、设备、存储介质和计算机程序产品
CN117895489A (zh) 用电量预测方法、用电量预测模型训练方法、装置
CN117077917A (zh) 基于低代码平台的人员能力评估方法、装置和计算机设备
CN115222489A (zh) 商品推荐方法、装置、计算机设备及存储介质
CN116643961A (zh) 性能数据补全方法、装置、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination